日韩精品 中文字幕 动漫,91亚洲午夜一区,在线不卡日本v一区v二区丶,久久九九国产精品自在现拍





		



注冊  |  登錄讀書好，好讀書，讀好書！






        
讀書網(wǎng)-DuShu.com

        
         
                
      	
                
                	
                    
                    
                

                
            
        

        

               

				
				
				
       
        




















	當前位置： 首頁出版圖書科學技術(shù)計算機/網(wǎng)絡(luò)網(wǎng)絡(luò)與數(shù)據(jù)通信多模態(tài)大模型：技術(shù)原理與實戰(zhàn)

	



    
    

    
多模態(tài)大模型：技術(shù)原理與實戰(zhàn)

    

	
多模態(tài)大模型：技術(shù)原理與實戰(zhàn)
	
	

	

	

	
定　價：￥100.00

	

			
					

						作　者：
						彭勇 等
					

					

						出版社：
						電子工業(yè)出版社
					

					

						叢編項：
						
					

					

						標　簽：
						暫缺
					

				
	
	

    
	

                        
購買這本書可以去

                        
	

	

	

			
					

						ISBN：
						9787121465628
						出版時間：
						2023-11-01	
                        包裝：
						平裝-膠訂					
					
					
					
					
						開本：
						16開
						頁數(shù)：
						
						字數(shù)：
						 
					
					
				

        

   

    
    
    
	
	
	
	
內(nèi)容簡介

	

	
　　本書詳細介紹了大語言模型和多模態(tài)大模型的發(fā)展歷史、技術(shù)原理和亮點、主要的開源框架、配套工具、部署細則和實戰(zhàn)案例。為了讓讀者更好地進行大模型的應(yīng)用實戰(zhàn)，本書還詳細介紹了使用大模型為商業(yè)賦能的3個應(yīng)用案例。期望本書能夠幫助讀者打開通往大模型尤其是多模態(tài)大模型的學習、實戰(zhàn)和商業(yè)成功之路。
	
	
	
   
	
	
	
作者簡介

	

	
　　彭勇，國家公派留法博士，全球金融專業(yè)人士協(xié)會（GIFP協(xié)會）特聘專家，2020年歐耕互聯(lián)網(wǎng)保險十大風云人物，《數(shù)據(jù)中臺建設(shè)：從方法論到落地實戰(zhàn)》作者。從事大數(shù)據(jù)和人工智能在金融行業(yè)的研究與應(yīng)用工作約18年，負責相關(guān)的落地項目超過100個，在金融行業(yè)數(shù)據(jù)中臺建設(shè)、數(shù)字化營銷和運營體系建設(shè)、大數(shù)據(jù)和人工智能賦能、大模型研發(fā)和應(yīng)用、風險管理、數(shù)智化轉(zhuǎn)型等方面經(jīng)驗豐富。現(xiàn)就職于蘇州數(shù)擎智技術(shù)有限公司和北京長正咨詢有限公司，擔任兩個公司的總經(jīng)理。彭旋，本科和碩士畢業(yè)于中國石油大學（華東）數(shù)學與應(yīng)用數(shù)學專業(yè)，從事多模態(tài)大模型、知識圖譜、信息抽取、自然語言處理等方面的研發(fā)工作，具備豐富的多模態(tài)大模型訓練、研發(fā)和企業(yè)落地經(jīng)驗。《知識圖譜與大模型融合實踐研究報告》《知識圖譜互聯(lián)互通白皮書》的主要作者之一。鄭志軍。研究領(lǐng)域主要包括文本理解、自然語言生成等。從事自然語言處理研究7年有余，其中有近4年大模型使用、研發(fā)經(jīng)驗?，F(xiàn)擔任公司AIGC組組長，所研發(fā)的大模型在公共評測和客戶應(yīng)用上均取得了優(yōu)異的成績，在大模型研發(fā)領(lǐng)域具有豐富的理論和實踐經(jīng)驗。茹炳晟，騰訊Tech Lead，騰訊研究院特約研究員，中國計算機學會（CCF）TF研發(fā)效能SIG主席，“軟件研發(fā)效能度量規(guī)范”標準核心編寫專家，中國商業(yè)聯(lián)合會互聯(lián)網(wǎng)應(yīng)用工作委員會智庫入庫專家，中國通信標準化協(xié)會TC608云計算標準和開源推進委員會云上軟件工程工作組副組長，騰訊云、阿里云、華為云最具價值專家，國內(nèi)外很多技術(shù)峰會的聯(lián)席主席、出品人和演講嘉賓。公眾號“茹炳晟聊軟件研發(fā)”主理人。多本技術(shù)暢銷書作者，著作有軟件研發(fā)行業(yè)創(chuàng)新實戰(zhàn)案例解析《測試工程師全棧技術(shù)進階與實踐》《軟件研發(fā)效能提升之美》《高效自動化測試平臺：設(shè)計與開發(fā)實戰(zhàn)》《軟件研發(fā)效能提升實踐》《軟件研發(fā)效能權(quán)威指南》，譯作有《持續(xù)架構(gòu)實踐：敏捷和DevOps時代下的軟件架構(gòu)》和《現(xiàn)代軟件工程：如何高效構(gòu)建軟件》等。
	
	
	
	
	
	
圖書目錄

	

	
第1章 OpenAI一鳴驚人帶來的啟示 1 
1.1 OpenAI的成長并非一帆風順 2 
1.2 OpenAI的成功因素 5 
1.3 OpenAI特殊的股權(quán)設(shè)計帶來的啟示 7 
1.4 思考 11 
第2章 自然語言處理的發(fā)展歷程 13 
2.1 自然語言處理的發(fā)展史 14 
2.1.1 背景介紹 14 
2.1.2 自然語言處理發(fā)展的7個階段 15 
2.2 從BERT模型到ChatGPT 30 
2.3 BERT模型到底解決了哪些問題 31 
2.4 BERT模型誕生之后行業(yè)持續(xù)摸索 38 
2.5 ChatGPT的誕生 41 
2.5.1 InstructGPT模型的構(gòu)建流程 42 
2.5.2 ChatGPT和InstructGPT的差異 44 
2.5.3 ChatGPT和BERT模型在公開數(shù)據(jù)集上的測試 45 
2.5.4 高質(zhì)量的數(shù)據(jù)標注 46 
2.6 思考 48 
第3章 讀懂ChatGPT的核心技術(shù) 50 
3.1 基于Transformer的預(yù)訓練語言模型 50 
3.2 提示學習與指令微調(diào) 55 
3.3 基于人工反饋的強化學習 59 
3.4 思維鏈方法 62 
3.5 集成學習 64 
3.6 思考 67 
第4章 看清GPT的進化史和創(chuàng)新點 68 
4.1 GPT技術(shù)的發(fā)展歷程 68 
4.1.1 GPT-1技術(shù)的發(fā)展歷程 68 
4.1.2 GPT-2技術(shù)的發(fā)展歷程 72 
4.1.3 GPT-3技術(shù)的發(fā)展歷程 73 
4.2 GPT的創(chuàng)新點總結(jié) 75 
4.3 思考 77 
第5章 大模型 多模態(tài)產(chǎn)生的“化學反應(yīng)” 78 
5.1 多模態(tài)模型的發(fā)展歷史 78 
5.2 單模態(tài)學習、多模態(tài)學習和跨模態(tài)學習的區(qū)別 82 
5.3 多模態(tài)大模型發(fā)展的重大里程碑 85 
5.4 大模型 多模態(tài)的3種實現(xiàn)方法 94 
5.5 多模態(tài)大模型的效果評估 99 
5.6 思考 102 
第6章 多模態(tài)大模型的核心技術(shù) 103 
6.1 文本多模態(tài)技術(shù) 104 
6.1.1 基于模板的圖像描述方法 105 
6.1.2 基于檢索的圖像描述方法 105 
6.1.3 基于深度學習的圖像描述方法 105 
6.2 圖像多模態(tài)技術(shù) 106 
6.2.1 基于對抗網(wǎng)絡(luò)的文本生成圖像方法 107 
6.2.2 基于VAE的文本生成圖像方法 109 
6.2.3 基于擴散模型的文本生成圖像方法 110 
6.3 語音多模態(tài)技術(shù) 111 
6.3.1 基于非深度學習的文本生成語音技術(shù) 111 
6.3.2 基于深度學習的文本生成語音技術(shù) 113 
6.4 視頻多模態(tài)技術(shù) 116 
6.4.1 非擴散模型的文本生成視頻技術(shù) 117 
6.4.2 基于擴散模型的文本生成視頻技術(shù) 118 
6.5 跨模態(tài)多重組合技術(shù) 119 
6.6 多模態(tài)大模型高效的訓練方法 120 
6.7 GPT-4多模態(tài)大模型核心技術(shù)介紹 121 
6.8 多模態(tài)技術(shù)的發(fā)展趨勢 122 
第7章 國內(nèi)外多模態(tài)大模型對比 124 
7.1 國內(nèi)多模態(tài)大模型介紹 125 
7.1.1 LLaMA-Adapter V2 125 
7.1.2 VisualGLM-6B 128 
7.1.3 mPLUG-Owl 129 
7.2 國外多模態(tài)大模型介紹 131 
7.2.1 Visual ChatGPT 131 
7.2.2 InstructBLIP 132 
7.2.3 MiniGPT-4 134 
7.3 多模態(tài)大模型評測數(shù)據(jù)集 135 
7.3.1 國內(nèi)評測數(shù)據(jù)集 136 
7.3.2 國外評測數(shù)據(jù)集 136 
7.4 多模態(tài)大模型的評測標準 137 
7.4.1 國內(nèi)評測標準 137 
7.4.2 國外評測標準 138 
7.5 多模態(tài)大模型對比 139 
7.5.1 感知能力評測 139 
7.5.2 認知能力評測 141 
7.6 思考 145 
第8章 中小公司的大模型構(gòu)建之路 146 
8.1 微調(diào)技術(shù)介紹 147 
8.1.1 LoRA技術(shù) 148 
8.1.2 AdaLoRA技術(shù) 149 
8.1.3 QLoRA技術(shù) 149 
8.1.4 微調(diào)加DeepSpeed的ZeRO-3 150 
8.2 模型壓縮技術(shù)介紹 151 
8.2.1 剪枝 151 
8.2.2 知識蒸餾 153 
8.2.3 量化壓縮 154 
8.3 微調(diào)實戰(zhàn) 155 
8.3.1 部分參數(shù)微調(diào)實戰(zhàn) 156 
8.3.2 全參數(shù)微調(diào)實戰(zhàn) 157 
8.4 模型壓縮實戰(zhàn) 159 
8.4.1 8位量化壓縮實戰(zhàn) 159 
8.4.2 4位量化壓縮實戰(zhàn) 160 
8.5 思考 162 
第9章 從0到1部署多模態(tài)大模型 163 
9.1 部署環(huán)境準備 163 
9.2 部署流程 165 
9.3 使用Flask框架進行API開發(fā) 167 
9.4 使用Gradio框架進行Web頁面開發(fā) 171 
9.5 其他部署方法介紹 176 
9.6 部署過程中常見的問題總結(jié) 179 
第10章 多模態(tài)大模型的主要應(yīng)用場景 183 
10.1 多模態(tài)大模型的應(yīng)用圖譜 183 
10.1.1 多模態(tài)大模型的30個基礎(chǔ)應(yīng)用 183 
10.1.2 多模態(tài)大模型在六大領(lǐng)域中的應(yīng)用 189 
10.2 多模態(tài)大模型在金融領(lǐng)域中的應(yīng)用 193 
10.2.1 語音質(zhì)檢 194 
10.2.2 智能顧問 196 
10.3 多模態(tài)大模型在出行與物流領(lǐng)域中的應(yīng)用 201 
10.4 多模態(tài)大模型在電商領(lǐng)域中的應(yīng)用 203 
10.4.1 智能客服 203 
10.4.2 智能試穿 205 
10.5 多模態(tài)大模型在工業(yè)設(shè)計與生產(chǎn)領(lǐng)域中的應(yīng)用 207 
10.6 多模態(tài)大模型在醫(yī)療健康領(lǐng)域中的應(yīng)用 210 
10.7 多模態(tài)大模型在教育培訓領(lǐng)域的應(yīng)用 215 
10.8 思考 216 
第11章 用多模態(tài)大模型打造AI助理實戰(zhàn) 218 
11.1 應(yīng)用背景 218 
11.2 方法論介紹 219 
11.2.1 思維鏈解決復(fù)雜的推理問題 219 
11.2.2 思維樹進一步提升推理能力 220 
11.2.3 采用插值法解決長文本輸入問題 220 
11.3 工具和算法框架介紹 222 
11.3.1 使用的工具 222 
11.3.2 使用的算法框架 222 
11.4 優(yōu)化邏輯介紹 224 
11.4.1 如何提高多輪對話能力 225 
11.4.2 如何提高角色扮演能力 225 
11.4.3 如何提高長文本閱讀能力 226 
11.5 多模態(tài)大模型的部署 227 
11.6 多模態(tài)大模型的性能評估 228 
11.6.1 綜合性能評估 228 
11.6.2 長文本閱讀示例 229 
11.6.3 多輪對話示例 230 
11.6.4 角色扮演示例 233 
11.6.5 LangChain框架賦能Ziya在限定域內(nèi)的問答示例 234 
11.7 思考 235 
第12章 多模態(tài)大模型在情緒識別領(lǐng)域的應(yīng)用 236 
12.1 應(yīng)用背景和待解決的問題 236 
12.2 方法論介紹 238 
12.3 工具和算法框架介紹 243 
12.3.1 算法的輸入和輸出 243 
12.3.2 算法框架的整體構(gòu)建流程 244 
12.3.3 文本預(yù)訓練任務(wù) 245 
12.3.4 圖像預(yù)訓練任務(wù) 247 
12.3.5 多模態(tài)預(yù)訓練任務(wù) 248 
12.3.6 算法的求解 249 
12.3.7 算法的應(yīng)用 250 
12.4 優(yōu)化邏輯介紹 251 
12.5 部署流程 253 
12.6 效果評測 254 
12.6.1 評測數(shù)據(jù)集 254 
12.6.2 評測指標 257 
12.6.3 評測結(jié)果 257 
12.7 思考 259 
第13章 大模型在軟件研發(fā)領(lǐng)域的實戰(zhàn)案例與前沿探索 261 
13.1 LLM在軟件研發(fā)過程中的單點提效 262 
13.1.1 基于GitHub Copilot的代碼片段智能生成 262 
13.1.2 基于Copilot X實現(xiàn)增強的代碼片段智能生成 266 
13.1.3 基于GitHub Copilot X實現(xiàn)對選中代碼的理解與解讀 268 
13.1.4 基于GitHub Copilot X的Pull Requests提效 269 
13.1.5 基于LLM實現(xiàn)的“代碼刷” 270 
13.1.6 使用Copilot Voice實現(xiàn)語音驅(qū)動的代碼開發(fā) 272 
13.1.7 使用Copilot CLI實現(xiàn)命令行的自動生成 274 
13.1.8 使用TestPilot實現(xiàn)單元測試用例的自動生成 275 
13.1.9 更多的應(yīng)用 277 
13.2 代碼LLM為軟件研發(fā)帶來的機遇與挑戰(zhàn) 277 
13.2.1 對于軟件研發(fā)來說，什么變了 278 
13.2.2 對于軟件研發(fā)來說，什么沒有變 278 
13.3 在LLM時代，對軟件研發(fā)的更多思考 283 
13.3.1 思考1：替代的是“碼農(nóng)”，共生的是工程師 283 
13.3.2 思考2：有利于控制研發(fā)團隊規(guī)模，保持小團隊的 
效率優(yōu)勢 284 
13.3.3 思考3：不可避免的“暗知識” 284 
13.3.4 思考4：Prompt即代碼，代碼不再是代碼 285 
13.3.5 思考5：Prompt to Executable軟件研發(fā)范式的可能性 286 
13.4 思考 286
	
	

	

    
       
    
	
	

   

   

   

    
   

   
本目錄推薦







掃描二維碼










    

        

            
        

        
Copyright ? 讀書網(wǎng) rgspecialties.com 2005-2020, All Rights Reserved.

        
鄂ICP備15019699號  鄂公網(wǎng)安備 42010302001612號